平台识别原创的图片手段早就不是单纯比对MD5了。你改个文件名、去重转个格式，原创甚至用工具重新保存一遍，图片像素层面确实变了，去重但视觉特征没动，原创照样被判定为重复。图片真正能过原创的去重图片去重，核心逻辑是原创让图片的视觉指纹发生实质性偏移——不是骗过哈希值，而是图片骗过感知算法。

我去年帮一个做电商的去重朋友处理过一批主图。他直接从供应商那里拿图，原创几十个店铺共用同一套素材，图片结果上传就被限流。去重我让他把每张图裁掉边缘3%到5%，原创再叠加一层透明度2%的噪点，最后微调色温。改完的图肉眼几乎看不出区别，但平台重新审核后全部通过了。这里的关键在于：裁剪改变了构图比例，噪点破坏了像素块的规律性，色温偏移让直方图分布变了。三者叠加，感知哈希值就拉开了距离。

很多人只知道用PS的“存储为Web格式”来去重，这招五年前可能管用。现在平台会提取图片的频域特征，JPEG压缩留下的块效应反而成了识别线索。你越是用标准工具重新压缩，留下的压缩痕迹越一致，越容易被聚类。真正有效的做法是引入随机性。比如用Python的Pillow库，每次处理时随机生成裁剪参数、随机选择噪点分布区域、随机调整某个通道的曲线。这样即使同一张原图，两次处理的结果在特征空间里也不一样。

另一个被低估的手段是局部变形。不是整体拉伸那种一眼假的变形，而是在图片的不同区域施加微小的非均匀扭曲。比如用液化工具在四个角各推一下，位移控制在2到3个像素。人眼完全察觉不到，但SIFT特征点的位置和描述子会全部改变。平台靠特征点匹配来查重，特征点一乱，匹配就失效了。我试过用OpenCV的remap函数做这件事，效果比单纯加噪点更彻底。

颜色通道的拆分重组也值得一试。把RGB拆成三个独立通道，对每个通道单独做微小的伽马校正，再重新合并。不同通道的校正曲线不要一样，比如红色通道提亮1%，蓝色通道压暗0.5%。合并后的图片整体色调几乎不变，但颜色直方图的联合分布变了。平台如果用颜色矩来比对，这一招直接让它算不出相似度。

还有一点常被忽略：元数据。很多人以为删掉EXIF就完事了，其实平台还会读取图片的量化表、霍夫曼表这些编码层信息。用不同版本的编码器、不同的质量参数保存，这些表就会不同。我习惯用ImageMagick的命令行工具，每次随机指定质量因子在85到92之间，再配合不同的采样因子。这样生成的JPEG文件，内部结构每次都不一样。

最后说个反直觉的：不要追求“完全看不出修改”。平台的风控系统对“完美去重”反而敏感——一张图如果所有特征都跟原图有微小但均匀的差异，系统会怀疑是机器批量处理的。适当保留一些自然的不一致，比如某次裁剪多一点、某次噪点重一点，让修改痕迹看起来像是人工随手调的，通过率反而更高。我那个电商朋友后来自己学着用手机修图APP手动调，每张图花十几秒，过审率比用脚本批量处理还高。

去重不是做数学题，是跟平台的感知模型打游击。你改的是像素，平台看的是特征，中间隔着好几层抽象。理解每一层在比什么，才知道往哪里使劲。